基于snmp的影院观影人数清点系统软件技术

基于SNMP的影院观影人数清点系统-软件技术基于SNMP的影院观影人数清点系统 陆犇 季节 （上影影视科技发展有限公司 上海 200030） 摘 要 随着智能影院建设，各种新的自动化智能设备部署进影院。对TMS/NOC系统来说，兼容功能协议各不相同的智能系统是一个很大挑战。本文采用业界通用的网络管理协议SNMP，能够通过IP网络管理众多厂家生产的软硬件平台。本文通过在AAM的TMS/NOC系统上部署基于SNMP的影院观影人数清点系统，展现了SNMP协议对新设备的前所未有的兼容性与灵活性，希望能为智能影院的建设添砖加瓦。 关键词 SNMP，智能影院，TMS NOC 0 引言 当前，随着智能影院建设工作的日益深化，越来越多全新的自动化智能设备部署进影院，比如环境监控、人数监控、灯光控制、放映质量监控等等。这些全新的自动化智能系统大多具有基于网络控制的功能。因此，在理论上，TMS/NOC（影厅管理系统/网络操作中心）可以经由影院的局域网对它们进行控制与监视。这些系统与TMS/NOC系统结合，将进一步完善智能影院的功能，提高影院管理的精细度与效率。 但是，在实际应用中，尽管这些自动化智能系统都支持网络控制，但它们的控制控协议并不相同。也就是说，虽然在硬件上能够互联互通，但软件上并不兼容，需要TMS/NOC厂商各自进行对接。 面对种类日益增多，功能各不相同，品牌多种多样的自动化智能系统，TMS/NOC厂商疲于奔命，这不利于新的智能系统在影院内的部署，不利于TMS/NOC对智能系统的控制与管理，不利于智能影院的进一步深化建设。 简单网络管理协议（SNMP）是一种业界通用的网络管理协议，能够通过IP网络管理众多厂家生产的软硬件平台1。起初，SNMP 专门设计用于在 IP 网络管理网络节点，广泛应用在各类网络设备中，是网管的工业标准。在SNMP中，被管理的设备通过建立称为管理信息库（MIB）的标准数据型模，用于收集储存管理信息1。 也就是说，通过对不同的设备创建MIB模型，SNMP就可以对各种各样的智能设备进行管理。这非常适合智能影院的现状。 本文通过在AAM的TMS/NOC系统上部署基于SNMP的一种全新的影院观影人数清点设备，展现了SNMP协议对新设备的前所未有的兼容性与灵活性。 1 SNMP协议简介 SNMP是基于TCP/IP协议族的网络管理标准，是一种在IP网络中管理网络节点的标准协议。SNMP能够使网络管理员提高网络管理效能，及时发现并解决网络问题以及规划网络的增长。网络管理员还可以通过SNMP接收网络节点的通知消息以及告警事件报告等来获知网络出现的问题2。 SNMP管理的网络主要由三部分组成1： 被管理的设备 SNMP代理 网络管理系统（NMS） 它们之间的关系如图1所示1。 网络中被管理的每一个设备都存在一个管理信息库（MIB）用于收集并储存管理信息。通过SNMP协议，NMS能获取这些信息。被管理设备，又称为网络单元或网络节点1，在智能影院中，网络节点可以是投影机、服务器/MIB、电源灯光控制器、4D控制器、放映质量监控、观影人数监控器等任何一种。 SNMP代理是被管理设备上的一个网络管理软件模块，拥有本地设备的相关管理信息，并用于将它们转换成与SNMP兼容的格式，传递给NMS1。在智能影院中，代理可以是一台设备，但更多的是一段运行在网络节点硬件上的软件。 NMS运行应用程序来实现监控被管理设备的功能。另外，NMS还为网络管理提供大量的处理程序及必须的储存资源1。在智能影院中，NMS就是具备SNMP管理功能的TMS/NOC软件。 SNMP能够支持各种设备的关键在MIB。SNMP把设备看作一系列变量的集合，读取变量，就是对设备的监视；写入变量，就是对设备的控制。MIB描述了这个设备与它的变量集合2。 MIB通过类似DNS的树状结构对设备进行描述。SNMP定义了如图2的标准MIB树。通常，企业自定义的支持TCP的设备会放置在ernet.mgmt.mib-2.tcp 下，即.2.1.6。 2 观影人数清点相关变量定义 我们把观影人数清点设备定义为i s ernet.pr ivate.enterpr ises.sfc.audcount，即.4.1.55665.33。这就是这种设备在MIB中的名字，55665是本文使用的内部测试OID。我们选择了一个未注册的企业私有OID，以防止与其他的SNMP设备冲突。 设备的变量也采用类似的形式进行管理。假定设备名为X，它的某个变量名为Y，那么，SNMP使用X.Y来表示这个变量。 在本案例中，一个影厅的信息包括观影人数、进入人数、离开人数、开始时间、结束时间。对N号影厅在M天前的第K场电影，我们定义观影人数定义为N*100+M.K.1；进入人数定义为N*100+M.K.2；离开人数定义为N*100+M.K.3；影片开始时间为N*100+M.K.4，影片结束时间为N*100+M.K.5；观影人数与售票数的偏差比例为N*100+M.K.6。 例如，对3号影厅在2天前的第3场所电影的开始时间由.4.1.55602.3.4这个变量来表示。 根据相关协议标准36，定义观影人数、进入人数、离开人数、开始时间、结束时间的完整的MIB文件如表1。 3 观影人数清点系统的部署及对接 观影人数清点系统通过在影厅的各个出入口部署高清摄像机，探测出入口的人流信息，进而计算出各场次的观影人数。场次信息由POS系统提供，系统通过与POS对接来自动获取这些信息。系统框图如图3。 与POS机的对接采用了POS机厂商自定义的接口。 在实际运行中，我们与粤科与鼎新两家厂商的POS机进行了对接。影院的POS机是影院售票软件系统的一个子模块。 人数清点系统原理框图如图4。 安装在出入口的摄像头采集到的视频数据经过动态白平衡、降噪等简单的视频预处理后，一方面作为boost级联分类器输入，另一方面会上传到TMS/NOC平台，既作为存档保留14天，也作为样本训练的输入。Boost分类器的训练集由TMS/NOC中心统一进行训练，由于数据较大，训练时间较长，我们在实际应用中，每两个月进行一次更新。 系统使用了boost级联分类器等多种机器学习算法，能动态的学习人体头部与肩部正上方或斜上方（人体头肩图像）的二维图像特征，并通过远程平台动态地更新视觉识别库，不断提高识别的准确率。 Boost级联分类器从每一帧的视频中识别出人体头肩图像图像，生成识别结果后输出。如图5。 在图5中，分类器输出了4个人体头肩图像，分别编号为1到4。其中1为误报；2和4为观众、3为工作人员。 图中可见，虽然误报1，但是由于1没有运动，未跨越检测线，这个误报被后一级的运动检测忽略，没有产生错误的结果；3正好位于检测线上，但基本不动，也没有作为人流数输出。 分类器的输出后，经过形状判定与运动检测后，输出人流数据。系统能根据现场环境（主要是摄像头安装的高度），对人体头肩图像的大小进行设定通过设置一个最大直径与最小直径，减少了分类器的误报对后续处理的影响。 同时，系统设置了一根运动检测线，对出入的人流进行双向检测。我们对检测线作了模糊算法的处理，当一个物体在检测线附近来来回回，多次出入，且幅度很小时，系统将智能判定这是工作人员，不计入人流数。 如图6。 在系统运行过程中，我们发现形状判定与运动检测两个步骤技术相对较成熟，准确率较高。系统的主要错误来自对人体头肩图像的误判。 根据实际运行视频的判读，误判的主要原因有以下几类：人体的衣着头部与肩部分界线不清、背包等附着物混淆了图像特征、人流密集时身体重叠等。 针对这些情况，系统中采用了多面策略进行应对。 首先，不仅训练“通过”的训练集，也训练“否决”的训练集。图像要先经过“否决”训练集识别，再经过“通过”训练集识别后，才能输出。这样可以过滤掉一些非人体的图像，比如背包等。 其次，不仅训练单人的头肩图像，也训练双人的头肩图像训练集。这样可以尽可能消除人流密集时的身体重叠。双人头肩图像识别出以后，并不直接输出到后级模块，而是分离出两个单人模型进行输出。 最后，针对人体的衣着头部与肩部分界线不清的情况，系统一方面改善了红外补光，另一方面通过提高中央头部识别权重，减小两侧肩部的识别权重解决了这个问题。 系统经过近十个月的测试与训练，目前识别准确率不低于92%，日平均识别准确率不低于95%。系统运行实况如图7、一天的运行统计见表2。 在缺省情况下，TMS里是无法加入此设备的。必须先在NOC中新增一个SNMP设备，将观影人数清点系统的MIB导入到NOC中。一般情况下，一个影院只有一个系统，因此，将它设置为影院级别的设备。接下来可以设置一个或多个报警点，我们设置当audcountBias8时报警。 配置成功后，NOC将把这个设备信息自动同步到所有的TMS中去。同步成功后，就可以在TMS的“配置-新增设备”中添加观影人数清点系统。 通过SNMP，系统可以很方便与NOC/TMS实现对接，无须厂商进行订制开发。进一步的，如果我们要对系统增加新的功能，只要修改MIB文件，重新导入NOC即可。这为观影人数清点系统的进一步改进带来了很大的方便。 为了进一步方便检索与查看，独立于NOC/TMS之外，平台还实现了基于浏览器的信息分析统计功能，直接从NOC的数据库中抽取观影人数清点系统的信息，并用图形化的方式显示出来。如图8所示。 4 应用情况 自2015年1月起，平台已在笔者所在集团下属3家影院投入使用。在使用过程中，经历了春节档与暑期档高人流的考验，观影人数识别系统设备工作稳定，运行状态良好。并且，随着采集人流数据的累积，识别建模的神经网络经历多轮训练，识别准确率稳步提升。 在应用过程中，我们每月进行一次人工统计，工作人员统计当天的观影人数，与售票系统记录的售票人数与系统自动识别的人数进行对比。之所以要进行人工统计，而不是直接使用售票数进行对比，是为了过滤掉售票数与实际观景人数之间的区别，比如有时观众买了票却没有来看电影、团体包场、退票等影院经营时常遇到的特殊情况。统计数据如表3。 在应用过程中，我们对采样数据进行处理后，进行了三次人数识别算法的升级。识别的错误率从开始时的近20%降低到5%以内，基本满足了应用的要求。如图9与图10。 第一次训练集的升级把错误率由近20%降低到了近10%，带来了10%左右的收益。以后逐次递减，最后一次升级仅带来了2%左右的收益。这说明算法基本已经趋于稳定，目前多种改进方法基本到达了既定目标。 在下一步的工作中，我们计划引入双目视觉的摄像头或者带深度探测的摄像头。这样，就可以在纯二维的图像信息之外，加入第三维的深度信息，人体的高度信息就可以被算法参考与利用，以进一步提高人体头肩部的识别率。 5 总结 本文描述了基于SNMP的观影人数清点系统的实现，并展